近年来，高维数据中的变化点检测引起了极大的兴趣。大多数文献要么设计了回顾性分析的方法，在这种方法中，当统计推断开始时，整个样本已经可用，要么考虑了在线检测方案，以控制平均时间，直到出现错误警报。本文从不同的角度为在线场景开发了监控方案，其中高维数据连续到达，目标是尽可能快地检测变化，同时控制虚警I类错误的概率。我们开发了一种序列程序，能够检测连续观测的具有空间和时间相关性的高维时间序列的平均向量的变化。在样本量和维数都趋于无穷大的情况下，分析了该方法的统计特性。在这种情况下，可以看出，新的监测方案在无变化的零假设下具有渐近水平α，并且在高维平均向量的至少一个分量发生变化的情况下是一致的。该方法基于一种新型的一维数据监控方案，该方案通常比通常使用的CUSUM和Page-CUSUM方法更强大，并且通过最大统计量聚合组件级统计信息。为了分析我们的监测方案的渐近性质，我们证明了给定区间上布朗运动的范围在Gumbel分布的吸引域内，这是极值理论的独立兴趣的结果。通过仿真研究和数据实例分析，说明了新方法的有限样本特性。